CN114154896A - 基于mes的智能工厂产品质量监控方法及系统 - Google Patents
基于mes的智能工厂产品质量监控方法及系统 Download PDFInfo
- Publication number
- CN114154896A CN114154896A CN202111496826.8A CN202111496826A CN114154896A CN 114154896 A CN114154896 A CN 114154896A CN 202111496826 A CN202111496826 A CN 202111496826A CN 114154896 A CN114154896 A CN 114154896A
- Authority
- CN
- China
- Prior art keywords
- attention
- feature
- target
- defect
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 230000007547 defect Effects 0.000 claims abstract description 239
- 238000004519 manufacturing process Methods 0.000 claims abstract description 111
- 239000013598 vector Substances 0.000 claims abstract description 73
- 238000012937 correction Methods 0.000 claims abstract description 21
- 238000007689 inspection Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 16
- 238000001746 injection moulding Methods 0.000 description 6
- 238000002156 mixing Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XOOUIPVCVHRTMJ-UHFFFAOYSA-L zinc stearate Chemical compound [Zn+2].CCCCCCCCCCCCCCCCCC([O-])=O.CCCCCCCCCCCCCCCCCC([O-])=O XOOUIPVCVHRTMJ-UHFFFAOYSA-L 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及机器视觉技术领域，具体涉及基于MES的智能工厂产品质量监控方法及系统。该方法包括：获取生产向量及其对应产品的质检结果；根据生产向量获取每种目标缺陷的关注特征以及关注度；获取每两种目标缺陷的区分特征对，并将关注度更小的关注特征在对应的关注特征集合中去除，得到更新特征集合；根据关注特征集合以及更新特征集合的熵差获取两种目标缺陷之间的修正合理性；以所有不同种类的目标缺陷为节点、以修正合理性作为对应的边权值获取图数据；根据图数据得到每种目标缺陷的准确关注特征；获取每种目标缺陷对应的每个准确关注特征的取值范围，判断新产品是否会出现该目标缺陷。本发明实施例能够提高质量监控系统的工作效率。
Description
技术领域
本发明涉及机器视觉技术领域，具体涉及基于MES的智能工厂产品质量监控方法及系统。
背景技术
MES系统是一套面向制造企业车间执行层的生产信息化管理系统，该系统采用大数据引擎对生产过程中的生产管控数据进行采集、存储和分析，实现智能化的工厂生产监控任务。在现代的工厂中，例如生产塑料制品、织物、纸制品等的工厂中，为了更好的监控整个生产过程，提高生产效率，优化生产原料、生产设备、产品成品的管理，很多都引入了MES系统。
产品的生产过程中，由于设备的控制不合理会导致有些产品的质量出现各种各样的问题。例如注塑件的生产过程中，颗粒混合时的温度、注塑时的压力等不合理时会导致注塑件的色差和结构缺失等缺陷，造成生产资源的浪费。为了及时发现产品的质量问题，往往需要对产品质量进行监控。现有的质量监控方法包括人为的质量抽检、基于机器视觉和人工智能的质量抽检方法、客户使用过程中的质量反馈等，但是对生产样品进行抽检时，每一批的抽检样品，出现质量问题的概率不同，抽检数量无法确定是否合理，而且监测时需要对各种质量问题进行监测，这会导致质量监控方法效率低下。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于MES的智能工厂产品质量监控方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于MES的智能工厂产品质量监控方法，该方法包括以下步骤：
获取智能工厂在生产过程中的生产参数及其对应产品的质检结果，由每个产品对应的生产参数组成一个生产向量；所述质检结果包括至少一种第一目标缺陷和一种第二目标缺陷，所述第一目标缺陷和所述第二目标缺陷为不同种类的目标缺陷；
选取出含有同一目标缺陷的目标产品，根据所述目标产品对应的生产向量获取该目标缺陷的多个关注特征以及对每个关注特征的关注度；所有关注特征组成该目标缺陷的关注特征集合；
将所述第一目标缺陷和所述第二目标缺陷的关注特征相互匹配，组成匹配对；根据所述匹配对的相似度和对应的关注程度的差异计算两种目标缺陷对该匹配对的第一区分度；
基于所述第一区分度的大小筛选出这两种目标缺陷的区分特征对；将所有所述区分特征对中关注度更小的关注特征在对应的关注特征集合中去除，得到更新特征集合；获取所述关注特征集合以及所述更新特征集合的熵差，进而获取所述第一目标缺陷和所述第二目标缺陷之间的修正合理性；
以所有不同种类的目标缺陷为节点、以所述修正合理性作为对应的边权值获取图数据；将所述图数据进行分类，计算每个类别中每个关注特征相对于其他关注特征的第二区分度；并根据所述第二区分度的大小对每个类别中的关注特征进行筛选，得到每种目标缺陷的准确关注特征；
获取所述第一目标缺陷对应的每个准确关注特征的取值范围，将新产品的生产向量投影到所述准确关注特征上，当投影结果都在对应的所述取值范围内时，该新产品会出现第一目标缺陷；同理判断该新产品是否会出现其他目标缺陷。
优选的，所述关注特征的获取步骤包括：
将所述目标产品对应的生产向量进行分类，保留包含元素最多的类别作为主要类别；
对所述主要类别进行主成分分析，每个主成分方向作为一个关注特征。
优选的，所述关注度的获取过程为：以所述主成分方向的特征值作为所述关注特征的关注度。
优选的，所述匹配对的组成过程为：
利用匹配算法将所述第一目标缺陷和所述第二目标缺陷的关注特征匹配成对，使得关注特征配对后组成的匹配对的余弦相似度之和最大。
优选的，所述更新特征集合的获取步骤包括：
选取所述区分特征对中关注度更小的关注特征作为对应目标缺陷的无效特征，将所述无效特征在对应的目标缺陷的所有生产向量中去除；
所述去除的过程为：计算生产向量在所述无效特征上的无效投影长度，根据所述第一区分度和所述无效投影长度获取去除所述无效特征后的投影长度，进而得到更新关注特征，组成所述更新特征集合。
优选的，所述修正合理性的获取步骤包括：
计算关注特征集合以及更新特征集合的熵差作为去除收益，计算所述第一目标缺陷和所述第二目标缺陷的去除收益的均值作为两者之间的所述修正合理性。
优选的，所述第二区分度的计算过程为：
分别获取每个关注特征与同类别中其他关注特征之间的余弦相似度，并求相似度均值；分别获取每个关注特征与同类别中其他关注特征之间的关注度差值，并求差值均值；根据所述相似度均值和所述差值均值计算所述第二区分度。
优选的，所述准确关注特征的获取过程包括：
选取所述第二区分度大于区分阈值的关注特征作为干扰特征，将关注度最小的干扰特征在对应的目标缺陷的所有生产向量中去除，得到所述准确关注特征。
优选的，所述取值范围的获取过程为：
当所述准确关注特征的关注度大于预设阈值时，计算所述第一目标缺陷对应的生产向量在该准确关注特征上的投影长度，将所述投影长度进行聚类分组，选取包含元素最多的类别中投影长度的取值区间，作为该准确关注特征的取值范围；
当所述准确关注特征的关注度不大于所述预设阈值时，所述取值范围为实数域。
第二方面，本发明另一个实施例提供了一种基于MES的智能工厂产品质量监控系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于MES的智能工厂产品质量监控方法的步骤。
本发明实施例至少具有如下有益效果：
通过不同缺陷类型的产品的生产向量，获取生产向量与缺陷类型的关系，根据这个关系实时评估当前时刻生产出的新产品可能出现的缺陷类型，本发明实施例能够获取质量监控系统的质量抽检方法，提高质量监控系统的工作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的基于MES的智能工厂产品质量监控方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于MES的智能工厂产品质量监控方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
MES系统是一套面向制造企业车间执行层的生产信息化管理系统，该系统利用采用大数据引擎对生产过程中的生产管控数据进行采集、存储和分析；MES可以为企业提供包括制造数据管理、计划排程管理、生产调度管理、库存管理、质量管理、人力资源管理、工作中心/设备管理、工具工装管理、采购管理、成本管理、项目看板管理、生产过程控制、底层数据集成分析、上层数据集成分解等管理模块，为企业打造一个扎实、可靠、全面、可行的制造协同管理平台。首先使工厂构建MES系统，然后下面结合附图具体的说明本发明所提供的基于MES的智能工厂产品质量监控方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于MES的智能工厂产品质量监控方法的步骤流程图，该方法包括以下步骤：
步骤S001，获取智能工厂在生产过程中的生产参数及其对应产品的质检结果，由每个产品对应的生产参数组成一个生产向量；质检结果包括至少一种第一目标缺陷和一种第二目标缺陷，第一目标缺陷和第二目标缺陷为不同种类的目标缺陷。
产品生产过程中，从原材料到成品需要经过多个流水线和制造工艺，每个生产工艺需要多个设备的参与，例如注塑件生产包括混料、烘料、注塑成型等多个工艺，设计原料的混合比例、添加剂的用量、混合机的功率、烘料的温度、注塑机的压力等等生产控制参数，由于生产参数过多，本发明实施例不再一一列举；利用物联网系统，将各个生产工艺中的各个设备的所有生产控制参数实时上传至MES系统中的大数据系统中进行存储。除了获取生产过程中每个时刻的生产控制参数外，还需要获取对应产品的质检结果。质检结果是根据产品质量监控系统获得的，通过产品质量监控系统对生产出的产品进行抽检，然后人为的或者利用机器视觉和人工智能的方法识别产品的缺陷和瑕疵，例如注塑件产品的结构缺失缺陷、色差缺陷、翘曲缺陷、裂痕缺陷等，并将每种产品对应的缺陷类型上传至MES系统进行存储记录；另外，因为有些产品的质量问题无法被检测出来，或者有些产品的缺陷需要在使用过程中才能发现，因此，本发明实施例中的MES系统支持用户进行质量反馈，即用户在产品的使用过程中如果发现产品的缺陷，可以将缺陷类型上传至MES系统。该质检结果至少包括两种以上不同的目标缺陷。
将一个产品生产时的所有生产控制数据合并为一个高维的向量，作为生产向量，假设维度为P，每个产品都对应一个P维的生产向量。
步骤S002，选取出含有同一目标缺陷的目标产品，根据目标产品对应的生产向量获取该目标缺陷的多个关注特征以及对每个关注特征的关注度；所有关注特征组成该目标缺陷的关注特征集合。
从EMS系统中获取含有第i种目标缺陷的所有目标产品，获取这些目标产品的生产向量构成的集合Si，这个集合中的有些生产向量能够导致第i种缺陷的产生；又因为含有第i种缺陷的产品中不仅会包含第i种缺陷，还会包含其他种类的缺陷，因此Si中的有些生产向量不能够导致第i种缺陷的产生，需要从Si中获取哪些生产向量能够导致第i种缺陷的产生。
具体的步骤包括：
1.将目标产品对应的生产向量进行分类，保留包含元素最多的类别作为主要类别。
利用均值漂移聚类算法对Si中的生产向量进行分类，获得多个类别，保留生产向量数量最多的类别作为主要类别，该类别中有大量的生产向量集中的分布在一起，具有较大的相似性，这个类别中的生产向量有大部分是能够导致第i种缺陷产生的。在一定的误差下，该类别中大量集中出现在一起的生产向量能够导致第i种缺陷的产生；而不处于该类别的生产向量则不能确定是否能够导致第i种缺陷产生。
2.对主要类别进行主成分分析，每个主成分方向作为一个关注特征；以主成分方向的特征值作为关注特征的关注度。
对主要类别中的生产向量进行主成分分析，对多个P维生产向量的协方差矩阵进行特征值分解，获得P个P维的主成分方向，每个主成分方向都是一个P维的单位向量，作为关注特征，每个主成分方向都对应一个特征值，即为对应关注特征的关注度。
如果某个主成分方向的特征值越大，说明在主要类别中的所有生产向量在这个主成分方向上的投影方差越大，说明这些生产向量的特征主要沿该主成分方向分布，说明这个主成分方向越重要，这些生产向量越关注这个主成分方向对应的关注特征；如果某个主成分方向的特征值越小，说明类别中的所有生产向量在这个主成分方向上的投影方差越小，说明这个主成分方向越不重要，这些生产向量越可以舍弃这个主成分方向对应的关注特征。
同理，获得所有目标缺陷的关注特征和对应的关注度。
但是上述获得的每种目标缺陷的关注特征和对应的关注度是有误差的，因为含有一种目标缺陷的产品上可能会出现其他缺陷，虽然可以只考虑只包含一种缺陷的产品的向量，但是这样的化数据量少，会导致结果不准确，因此本发明实施例将所有目标缺陷的关注特征和对应的关注度进行修正。
步骤S003，将第一目标缺陷和第二目标缺陷的关注特征相互匹配，组成匹配对；根据匹配对的相似度和对应的关注程度的差异计算两种目标缺陷对该匹配对的第一区分度。
具体的步骤包括：
1.利用匹配算法将第一目标缺陷和第二目标缺陷的关注特征匹配成对，使得关注特征配对后组成的匹配对的余弦相似度之和最大。
在本发明实施例中，以第i种缺陷作为第一目标缺陷，以第j种缺陷作为第二目标缺陷，计算这两种目标缺陷对应匹配对的区分度，用于表征这两种目标缺陷所关注的哪些特征存在在较大的区别。
第i种缺陷有P个关注特征，每个关注特征是P维的单位向量，这P个关注特征的集合记为Vi；第j种缺陷也对应P个关注特征，每个关注特征也是P维的单位向量，这P个关注特征的集合记为Vj；Vi与Vj中的关注特征可能相同也可能不同，利用KM匹配算法令Vi与Vj中的关注特征进行匹配成对，获得P对匹配对，使得P对匹配对之间的余弦相似度的和最大。
2.计算第一区分度。
Vi与Vj中第k对匹配对的余弦相似度记为sijk，该值越大说明这两种目标缺陷存在的某两个关注特征越相似；第k对匹配对差值的绝对值记为dijk,那么第i种缺陷和第j种缺陷中第k对匹配对的第一区分度Mijk的计算方法为：
其中，Mijk用于表示这两种目标缺陷中第i种缺陷关注的特征是否被第j种缺陷所关注，
表示归一化系数。
Mijk越大，说明第i种缺陷和第j种缺陷有相同的关注特征，但是这两种关注特征的关注程度差异却很大，说明第i种缺陷所关注的特征不是第j种缺陷所关注的。
同理获得所有匹配对的第一区分度，共获得K对匹配对的第一区分度。
步骤S004，基于第一区分度的大小筛选出这两种目标缺陷的区分特征对；将区分特征对中关注度更小的关注特征在对应的关注特征集合中去除，得到更新特征集合；获取关注特征集合以及更新特征集合的熵差，根据每个区分特征对对应的熵差获取第一目标缺陷和第二目标缺陷之间的修正合理性。
具体的步骤包括：
1.筛选区分特征对。
获取第一区分度大于第一阈值th1的匹配对，将这些匹配对称为第i种缺陷和第j种缺陷的区分特征对。
根据第i种缺陷和第j种缺陷的关注特征以及对应的关注度获得了两者之间的区分特征对，那么就可以利用同样的方法获得任意两种缺陷之间的区分特征对，这个区分特征对用于表示两种缺陷在哪些关注特征上具有较大的可区分性。
第i种缺陷和第j种缺陷可能同时出现在一个产品上，这使得第i种缺陷的关注特征会受到第j种缺陷的生产向量的影响。接下来需要根据第i种缺陷和第j种缺陷之间的区分特征对来互相修正两者的关注特征，进而排除两种缺陷同时出现在一个产品上时带来的干扰和误差。
2.选取区分特征对中关注度更小的关注特征作为对应目标缺陷的无效特征，将无效特征在对应的目标缺陷的所有生产向量中去除。
获取第i种缺陷和第j种缺陷的Nij个关注特征对，其中每个关注特征对是由两个关注特征构成的，其中一个是第i种缺陷的关注特征，另一个是第j种缺陷的关注特征，分别对应两个关注度。获取关注程度最小的关注特征作为对应目标缺陷的无效特征，记为vn，获取这个关注特征是属于哪种缺陷的，假设属于第i种缺陷，那么说明第j种缺陷所关注的特征vn不被第i种缺陷所关注；关注特征对对应的第一区分度越大则vn越不被第i种缺陷所关注。同理，若关注程度最小的关注特征vn属于第j种缺陷，那么说明第i种缺陷所关注的特征vn不被第j种缺陷所关注。
以vn属于第i种缺陷为例，此时第j种缺陷所关注的特征vn为第i种缺陷的无效特征，不被第i种缺陷所关注，从集合Si中的生产向量里去除掉无效特征vn，这样就可以避免第j种缺陷对应的生产向量的干扰。从Si中去除掉第j种缺陷所关注的而又不太影响第i种缺陷的无效特征，可以在保证尽量不影响第i种缺陷的关注特征的同时尽可能多地排除第j种缺陷的影响。
去除的过程为：计算生产向量在无效特征上的无效投影长度，根据第一区分度和无效投影长度获取去除无效特征后的投影长度，进而得到更新关注特征，组成更新特征集合。
对于第i种目标缺陷的生产向量构成的集合Si中的任意一个P维的行向量U，去除关注特征vn之后变为：
其中，up表示Si中的第p个主成分方向，即第i种缺陷的第p个关注特征；um表示第i种缺陷的第m个关注特征，令um＝vn。
通过上述方法令Si中的任何一个生产向量都去除了vn。同理当n＝1,2,…,Nij时，Si或者Sj去除掉相应的vn，变为
和
然后再次通过步骤S002重新获得第i种缺陷和第j种缺陷的更新关注特征和对应的关注度，由更新关注特征组成更新特征向量。
3.计算关注特征集合以及更新特征集合的熵差作为去除收益，计算第一目标缺陷和第二目标缺陷的去除收益的均值作为两者之间的修正合理性。
同样以vn属于第i种缺陷为例，第i种缺陷去除vn后，去除收益越大，说明去除掉第j种缺陷的影响后，第i种缺陷对所有关注特征的关注程度的熵变小了，说明排除第j种特征的干扰后，第i种缺陷具有更加确定的关注特征，能够保证最终的控制系统的准确性；如果去除收益越小，说明去除掉第j种缺陷的影响后，第i种缺陷对所有关注特征的关注程度的熵减少量较少，说明排除第j种缺陷的干扰后，第i种缺陷的关注特征没有变得更加确定，不利于后续的产品质量的监控。
同理第j种缺陷在排除第i种缺陷的干扰后也对应获取一个去除收益，这两种缺陷的去除收益的均值记为第i种缺陷和第j种缺陷互相修正的合理性。
步骤S005，以所有不同种类的目标缺陷为节点、以修正合理性作为对应的边权值获取图数据；将图数据进行分类，计算每个类别中每个关注特征相对于其他关注特征的第二区分度；并根据第二区分度的大小对每个类别中的关注特征进行筛选，得到每种目标缺陷的准确关注特征。
具体的步骤包括：
1.获取所有目标缺陷的图数据，并对其分类。
根据同样的方法计算每两种目标缺陷之间的修正合理性，以每种目标缺陷为节点，以两种缺陷之间的修正合理性为边权值，将所有的缺陷构成一个图数据；利用谱聚类算法对该图数据进行分类，获得多个类别，同一个类别中的节点之间具有较大的边权值，即同一个类别之间的缺陷具有较大的修正合理性，进行相互修正后能够获得更准确的修正结果，有助于产品质量的监控。
2.计算第二区分度。
分别获取每个关注特征与同类别中其他关注特征之间的余弦相似度，并求相似度均值；分别获取每个关注特征与同类别中其他关注特征之间的关注度差值，并求差值均值；根据相似度均值和差值均值计算第二区分度。
具体的，获取同一类别中的所有缺陷的关注特征，假设有A个关注特征，获取这些关注特征中第a个关注特征的区分程度Ma：
其中，sa表示第a个关注特征和同类别中其他所有关注特征的余弦相似度的均值，da表示第a个关注特征和同类别中其他所有关注特征的关注度差值的绝对值的均值。
Ma越大说明该类别中的第a个关注特征在某些缺陷上越被关注，同时在另外一些缺陷上越不被关注，即越表现出两极分化的现象。
3.获取准确关注特征。
选取第二区分度大于区分阈值的关注特征作为干扰特征，将关注度最小的干扰特征在对应的目标缺陷的所有生产向量中去除，得到准确关注特征。
获取同一类别中第二区分度大于预设阈值th2的关注特征作为干扰特征，对于每个干扰特征，令该类别中对这个干扰特征关注度最小的目标缺陷在生产向量中将其去除，去除之后重新获得该目标缺陷的准确关注特征以及关注度。
作为一个示例，本发明实施例中预设阈值th2的取值为0.2。
将目标缺陷的生产向量集合综合在一起分析，排除了不同缺陷共同出现时相互之间的干扰，获得了每种目标缺陷的准确关注特征。
步骤S006，获取第一目标缺陷对应的每个准确关注特征的取值范围，将新产品的生产向量投影到准确关注特征上，当投影结果都在对应的所述取值范围内时，该新产品会出现第一目标缺陷；同理判断该新产品是否会出现其他目标缺陷。
具体的步骤包括：
1.获取第一目标缺陷对应的每个准确关注特征的取值范围。
当准确关注特征的关注度大于预设阈值时，计算第一目标缺陷对应的生产向量在该准确关注特征上的投影长度，将投影长度进行聚类分组，选取包含元素最多的类别中投影长度的取值区间，作为该准确关注特征的取值范围；当准确关注特征的关注度不大于预设阈值时，取值范围为实数域。
同样以第i种缺陷为例，获取第i种缺陷的生产向量集合Si，首先对第i种缺陷的关注特征的所有关注程度归一化处理；然后获取第i种缺陷的第q个准确关注特征uq，q＝1,2,3,…,Q，当uq的关注度大于预设阈值时，计算Si中的所有生产向量在uq上的投影长度，对这些投影长度进行均值漂移聚类，获得多个聚类结果，每个类别都是一些投影长度的集合，获取包含元素最多的类别，将这个类别中投影长度的取值区间记为Fiq，即为第i种缺陷的第q个准确关注特征的取值范围；当uq的关注度不大于预设阈值时，关注特征的取值范围为整个实数域，即不考虑关注度太小的准确关注特征上的投影长度。
2.判断新的产品是否会出现缺陷。
每当生产出一个产品时，同时获得这个产品的生产向量，获取这个生产向量在第i种缺陷的所有准确关注特征上的投影长度，并判断这些投影长度是否在第i种缺陷对应的准确关注特征的取值范围内，如果全部都在对应的取值范围内，这个产品包含第i种缺陷；如果存在任何一个投影大小不在对应的取值范围内，这个产品不包含第i种缺陷。
同理判断该新的生产向量对应的产品是否会出现其他目标缺陷。
通过上述步骤，每当生产一个产品时能够根据对应的生产向量获得该产品包含哪种缺陷，当生产一批产品时能够获取哪些产品可能出现缺陷，进而获得存在缺陷和无缺陷的比例，质量监控系统可以按照这个比例进行样本抽检。同时还能获得出现的缺陷是哪种缺陷，进而获取每种缺陷的占比，质量监控系统也按照这个比例抽检每种缺陷。
综上所述，本发明实施例获取智能工厂在生产过程中的生产参数及其对应产品的质检结果，由每个产品对应的生产参数组成一个生产向量；质检结果包括至少一种第一目标缺陷和一种第二目标缺陷，第一目标缺陷和第二目标缺陷为不同种类的目标缺陷；选取出含有同一目标缺陷的目标产品，根据目标产品对应的生产向量获取该目标缺陷的多个关注特征以及对每个关注特征的关注度；所有关注特征组成该目标缺陷的关注特征集合；将第一目标缺陷和第二目标缺陷的关注特征相互匹配，组成匹配对；根据匹配对的相似度和对应的关注程度的差异计算两种目标缺陷对该匹配对的第一区分度；基于第一区分度的大小筛选出这两种目标缺陷的区分特征对；将所有区分特征对中关注度更小的关注特征在对应的关注特征集合中去除，得到更新特征集合；获取关注特征集合以及更新特征集合的熵差，进而获取第一目标缺陷和第二目标缺陷之间的修正合理性；以所有不同种类的目标缺陷为节点、以修正合理性作为对应的边权值获取图数据；将图数据进行分类，计算每个类别中每个关注特征相对于其他关注特征的第二区分度；并根据第二区分度的大小对每个类别中的关注特征进行筛选，得到每种目标缺陷的准确关注特征；获取第一目标缺陷对应的每个准确关注特征的取值范围，将新产品的生产向量投影到准确关注特征上，当投影结果都在对应的取值范围内时，该新产品会出现第一目标缺陷；同理判断该新产品是否会出现其他目标缺陷。本发明实施例能够获取质量监控系统的质量抽检方法，提高质量监控系统的工作效率。
本发明实施例还提出了一种基于MES的智能工厂产品质量监控系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。由于基于MES的智能工厂产品质量监控方法在上述给出了详细描述，不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于MES的智能工厂产品质量监控方法，其特征在于，该方法包括以下步骤：
获取智能工厂在生产过程中的生产参数及其对应产品的质检结果，由每个产品对应的生产参数组成一个生产向量；所述质检结果包括至少一种第一目标缺陷和一种第二目标缺陷，所述第一目标缺陷和所述第二目标缺陷为不同种类的目标缺陷；
选取出含有同一目标缺陷的目标产品，根据所述目标产品对应的生产向量获取该目标缺陷的多个关注特征以及对每个关注特征的关注度；所有关注特征组成该目标缺陷的关注特征集合；
将所述第一目标缺陷和所述第二目标缺陷的关注特征相互匹配，组成匹配对；根据所述匹配对的相似度和对应的关注程度的差异计算两种目标缺陷对该匹配对的第一区分度；
基于所述第一区分度的大小筛选出这两种目标缺陷的区分特征对；将所有所述区分特征对中关注度更小的关注特征在对应的关注特征集合中去除，得到更新特征集合；获取所述关注特征集合以及所述更新特征集合的熵差，进而获取所述第一目标缺陷和所述第二目标缺陷之间的修正合理性；
以所有不同种类的目标缺陷为节点、以所述修正合理性作为对应的边权值获取图数据；将所述图数据进行分类，计算每个类别中每个关注特征相对于其他关注特征的第二区分度；并根据所述第二区分度的大小对每个类别中的关注特征进行筛选，得到每种目标缺陷的准确关注特征；
获取所述第一目标缺陷对应的每个准确关注特征的取值范围，将新产品的生产向量投影到所述准确关注特征上，当投影结果都在对应的所述取值范围内时，该新产品会出现第一目标缺陷；同理判断该新产品是否会出现其他目标缺陷。
2.根据权利要求1所述的方法，其特征在于，所述关注特征的获取步骤包括：
将所述目标产品对应的生产向量进行分类，保留包含元素最多的类别作为主要类别；
对所述主要类别进行主成分分析，每个主成分方向作为一个关注特征。
3.根据权利要求2所述的方法，其特征在于，所述关注度的获取过程为：以所述主成分方向的特征值作为所述关注特征的关注度。
4.根据权利要求1所述的方法，其特征在于，所述匹配对的组成过程为：
利用匹配算法将所述第一目标缺陷和所述第二目标缺陷的关注特征匹配成对，使得关注特征配对后组成的匹配对的余弦相似度之和最大。
5.根据权利要求1所述的方法，其特征在于，所述更新特征集合的获取步骤包括：
选取所述区分特征对中关注度更小的关注特征作为对应目标缺陷的无效特征，将所述无效特征在对应的目标缺陷的所有生产向量中去除；
所述去除的过程为：计算生产向量在所述无效特征上的无效投影长度，根据所述第一区分度和所述无效投影长度获取去除所述无效特征后的投影长度，进而得到更新关注特征，组成所述更新特征集合。
6.根据权利要求1所述的方法，其特征在于，所述修正合理性的获取步骤包括：
计算关注特征集合以及更新特征集合的熵差作为去除收益，计算所述第一目标缺陷和所述第二目标缺陷的去除收益的均值作为两者之间的所述修正合理性。
7.根据权利要求1所述的方法，其特征在于，所述第二区分度的计算过程为：
分别获取每个关注特征与同类别中其他关注特征之间的余弦相似度，并求相似度均值；分别获取每个关注特征与同类别中其他关注特征之间的关注度差值，并求差值均值；根据所述相似度均值和所述差值均值计算所述第二区分度。
8.根据权利要求1所述的方法，其特征在于，所述准确关注特征的获取过程包括：
选取所述第二区分度大于区分阈值的关注特征作为干扰特征，将关注度最小的干扰特征在对应的目标缺陷的所有生产向量中去除，得到所述准确关注特征。
9.根据权利要求1所述的方法，其特征在于，所述取值范围的获取过程为：
当所述准确关注特征的关注度大于预设阈值时，计算所述第一目标缺陷对应的生产向量在该准确关注特征上的投影长度，将所述投影长度进行聚类分组，选取包含元素最多的类别中投影长度的取值区间，作为该准确关注特征的取值范围；
当所述准确关注特征的关注度不大于所述预设阈值时，所述取值范围为实数域。
10.基于MES的智能工厂产品质量监控系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～9任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111496826.8A CN114154896B (zh) | 2021-12-09 | 2021-12-09 | 基于mes的智能工厂产品质量监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111496826.8A CN114154896B (zh) | 2021-12-09 | 2021-12-09 | 基于mes的智能工厂产品质量监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114154896A true CN114154896A (zh) | 2022-03-08 |
| CN114154896B CN114154896B (zh) | 2022-08-26 |
Family
ID=80453680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111496826.8A Active CN114154896B (zh) | 2021-12-09 | 2021-12-09 | 基于mes的智能工厂产品质量监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114154896B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117666519A (zh) * | 2024-02-01 | 2024-03-08 | 博诚经纬软件科技有限公司 | 一种基于大数据的mes智能制造管理方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000057349A (ja) * | 1998-08-10 | 2000-02-25 | Hitachi Ltd | 欠陥の分類方法およびその装置並びに教示用データ作成方法 |
| US20080004823A1 (en) * | 2006-06-20 | 2008-01-03 | Hiroshi Matsushita | Defect detection system, defect detection method, and defect detection program |
| US20090306922A1 (en) * | 2006-04-27 | 2009-12-10 | Sharp Kabushiki Kaisha | Method and System for Classifying Defect Distribution, Method and System for Specifying Causative Equipment, Computer Program and Recording Medium |
| JP2010185868A (ja) * | 2009-01-15 | 2010-08-26 | Nippon Steel Corp | 連続欠陥判定方法、連続欠陥判定装置及びプログラム |
| US20160313651A1 (en) * | 2013-12-17 | 2016-10-27 | Asml Netherlands B.V. | Yield estimation and control |
| US20180307904A1 (en) * | 2017-04-19 | 2018-10-25 | Tata Consultancy Services Limited | Systems and methods for classification of software defect reports |
| EP3459715A1 (en) * | 2017-09-26 | 2019-03-27 | Siemens Aktiengesellschaft | Method and apparatus for predicting the occurrence and type of defects in an additive manufacturing process |
| US20190340747A1 (en) * | 2018-05-07 | 2019-11-07 | General Electric Company | Quality monitoring system and quality monitoring method for fuel cell manufacturing line and quality monitoring system for manufacturing line |
| CN112463640A (zh) * | 2020-12-15 | 2021-03-09 | 武汉理工大学 | 一种基于联合概率域适应的跨项目软件老化缺陷预测方法 |
| WO2021094272A1 (de) * | 2019-11-14 | 2021-05-20 | Sms Group Gmbh | Verfahren und system zur ermittlung von zusammenhängen zwischen erfassten produktfehlern und erfassten zustandsvariablen einer produktionsanlage |
-
2021
- 2021-12-09 CN CN202111496826.8A patent/CN114154896B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000057349A (ja) * | 1998-08-10 | 2000-02-25 | Hitachi Ltd | 欠陥の分類方法およびその装置並びに教示用データ作成方法 |
| US20090306922A1 (en) * | 2006-04-27 | 2009-12-10 | Sharp Kabushiki Kaisha | Method and System for Classifying Defect Distribution, Method and System for Specifying Causative Equipment, Computer Program and Recording Medium |
| US20080004823A1 (en) * | 2006-06-20 | 2008-01-03 | Hiroshi Matsushita | Defect detection system, defect detection method, and defect detection program |
| JP2010185868A (ja) * | 2009-01-15 | 2010-08-26 | Nippon Steel Corp | 連続欠陥判定方法、連続欠陥判定装置及びプログラム |
| US20160313651A1 (en) * | 2013-12-17 | 2016-10-27 | Asml Netherlands B.V. | Yield estimation and control |
| US20180307904A1 (en) * | 2017-04-19 | 2018-10-25 | Tata Consultancy Services Limited | Systems and methods for classification of software defect reports |
| EP3459715A1 (en) * | 2017-09-26 | 2019-03-27 | Siemens Aktiengesellschaft | Method and apparatus for predicting the occurrence and type of defects in an additive manufacturing process |
| US20190340747A1 (en) * | 2018-05-07 | 2019-11-07 | General Electric Company | Quality monitoring system and quality monitoring method for fuel cell manufacturing line and quality monitoring system for manufacturing line |
| WO2021094272A1 (de) * | 2019-11-14 | 2021-05-20 | Sms Group Gmbh | Verfahren und system zur ermittlung von zusammenhängen zwischen erfassten produktfehlern und erfassten zustandsvariablen einer produktionsanlage |
| CN112463640A (zh) * | 2020-12-15 | 2021-03-09 | 武汉理工大学 | 一种基于联合概率域适应的跨项目软件老化缺陷预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| ARNAZ MALHI ET AL.: "《PCA-based feature selection scheme for machine defect classification》", 《IEEE TRANSACTION ON INSTRUMENTATION AND MEASUREMENT》 * |
| LIPIKA GOEL ET AL.: "《Prediction of cross project defects using ensemble based multinomial classifier》", 《ICST TRANSACTIONS ON SCALABLE INFORMATION SYSTEM》 * |
| 李文深等: "铸坯质量缺陷预测的特征降维方法研究", 《武汉科技大学学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117666519A (zh) * | 2024-02-01 | 2024-03-08 | 博诚经纬软件科技有限公司 | 一种基于大数据的mes智能制造管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114154896B (zh) | 2022-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109409628B (zh) | 基于计量大数据聚类模型的采集终端生产厂商评价方法 | |
| CN112527604A (zh) | 一种基于深度学习的运维检测方法、系统、电子设备及介质 | |
| CN114154896B (zh) | 基于mes的智能工厂产品质量监控方法及系统 | |
| CN111338972A (zh) | 基于机器学习的软件缺陷与复杂度关联关系分析方法 | |
| CN110704371A (zh) | 大规模数据管理与数据分发系统及方法 | |
| CN111652257A (zh) | 一种样本数据清洗方法及系统 | |
| CN117726240B (zh) | 一种基于卷积神经网络的质量评价分类方法及系统 | |
| CN116664173B (zh) | 一种基于大数据模型的竞品分析方法、终端及存储介质 | |
| CN111522743B (zh) | 一种基于梯度提升树支持向量机的软件缺陷预测方法 | |
| Buschmann et al. | Data-driven decision support for process quality improvements | |
| CN116414095A (zh) | 数据驱动的中医药制造过程工艺参数优化方法 | |
| CN114816763B (zh) | 一种采用大数据技术的计算机资源分配系统及方法 | |
| CN113392086B (zh) | 基于物联网的医疗数据库构建方法、装置及设备 | |
| CN114330549A (zh) | 一种基于深度图网络的化工过程故障诊断方法 | |
| CN114968774A (zh) | 一种多源异构跨项目软件缺陷预测方法 | |
| CN114020971A (zh) | 一种异常数据检测方法及装置 | |
| CN113191569A (zh) | 一种基于大数据的企业管理方法及系统 | |
| CN112966449B (zh) | 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法 | |
| CN114077663A (zh) | 应用日志的分析方法及装置 | |
| CN111489021A (zh) | 一种基于粒子群优化bp神经网络的甜菜产量预测方法 | |
| Zerhari et al. | Detection and elimination of class noise in large datasets using partitioning filter technique | |
| CN114580580B (zh) | 一种智能运维异常检测方法及装置 | |
| CN115640335B (zh) | 基于企业画像的企业分析方法、系统及云平台 | |
| Grošelj et al. | Theoretical Issues in Dematel | |
| CN112200219B (zh) | 一种超大规模晶圆缺陷数据的特征提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |